Question

我在Azure上使用Jupyter中的PySpark。我试图在数据帧上使用UDF进行测试，但是UDF没有执行。

我的数据框由以下人员创建：

users = sqlContext.sql("SELECT DISTINCT userid FROM FoodDiaryData")

我已确认此数据框填充了100行。在下一个单元格中，我尝试执行一个简单的udf。

def iterateMeals(user):
    print user

users.foreach(iterateMeals)

这不会产生任何输出。我原本期望数据框中的每个条目都已打印出来。但是，如果我只是尝试iterateMeals('test')，它将触发并打印“测试”。我也尝试过使用pyspark.sql.functions

from pyspark.sql.functions import udf

def iterateMeals(user):
    print user
f_iterateMeals = udf(iterateMeals,LongType())

users.foreach(f_iterateMeals)

当我尝试这个时，我收到以下错误：

Py4JError: An error occurred while calling o461.__getnewargs__. Trace:
py4j.Py4JException: Method __getnewargs__([]) does not exist

有人可以解释我哪里出错吗？我将需要在此应用程序的.foreach数据帧内执行udfs。

Answer 1

您将看不到输出，因为print在工作节点上执行并转到相应的输出。有关完整说明，请参阅Why does foreach not bring anything to the driver program?。
foreach对RDD而不是DataFrame进行操作。 UDFs在此上下文中无效。

PySpark：UDF没有在数据帧上执行

1 个答案: